اپلیکیشن اندرویدی فلش‌کارت آموزشی معیارهای F1 و AUROC برای ارزیابی Anomaly Detection

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره معیارهای F1 و AUROC برای ارزیابی Anomaly Detection

موضوع کلی: برنامه‌نویسی سیستم‌های تعبیه‌شده (Embedded Systems)

موضوع میانی: Anomaly detection algorithms

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تشخیص ناهنجاری در سیستم‌های تعبیه‌شده
• 2. اهمیت ارزیابی عملکرد الگوریتم‌های تشخیص ناهنجاری
• 3. مفاهیم پایه در ارزیابی طبقه‌بندی
• 4. ماتریس درهم‌ریختگی (Confusion Matrix)
• 5. دقت (Accuracy) و محدودیت‌های آن در تشخیص ناهنجاری
• 6. یادآوری (Recall) و اهمیت آن در تشخیص ناهنجاری
• 7. دقت (Precision) و اهمیت آن در تشخیص ناهنجاری
• 8. معرفی معیار F1-Score
• 9. محاسبه F1-Score: فرمول و تفسیر
• 10. F1-Score برای داده‌های نامتوازن
• 11. میانگین وزنی F1-Score (Weighted F1-Score)
• 12. معرفی منحنی ROC (Receiver Operating Characteristic)
• 13. محاسبه نرخ مثبت واقعی (TPR) و نرخ مثبت کاذب (FPR)
• 14. مساحت زیر منحنی ROC (AUC-ROC)
• 15. تفسیر AUC-ROC و ارتباط آن با عملکرد مدل
• 16. AUC-ROC برای داده‌های نامتوازن
• 17. معرفی معیار AUROC (Area Under the Receiver Operating Characteristic)
• 18. تفاوت بین AUC و AUROC
• 19. انتخاب آستانه (Threshold) بهینه‌سازی شده با استفاده از ROC
• 20. ارتباط بین آستانه و F1-Score
• 21. مقایسه F1-Score و AUROC: مزایا و معایب
• 22. موارد استفاده F1-Score در سیستم‌های تعبیه‌شده
• 23. موارد استفاده AUROC در سیستم‌های تعبیه‌شده
• 24. ارزیابی عملکرد الگوریتم‌های تشخیص ناهنجاری مبتنی بر آستانه
• 25. ارزیابی عملکرد الگوریتم‌های تشخیص ناهنجاری بدون آستانه
• 26. تاثیر انتخاب الگوریتم بر معیارهای ارزیابی
• 27. انتخاب معیار ارزیابی مناسب بر اساس کاربرد
• 28. ارزیابی الگوریتم‌های تشخیص ناهنجاری در داده‌های سنسور
• 29. ارزیابی الگوریتم‌های تشخیص ناهنجاری در داده‌های شبکه
• 30. ارزیابی الگوریتم‌های تشخیص ناهنجاری در داده‌های لاگ
• 31. ارزیابی الگوریتم‌های تشخیص ناهنجاری در داده‌های صنعتی
• 32. استفاده از F1-Score و AUROC برای مقایسه الگوریتم‌های مختلف
• 33. بهینه‌سازی پارامترهای الگوریتم با استفاده از F1-Score و AUROC
• 34. اعتبارسنجی متقابل (Cross-Validation) و ارزیابی پایدار
• 35. تکنیک‌های کاهش ابعاد و تاثیر آن‌ها بر معیارهای ارزیابی
• 36. مقابله با داده‌های پرت (Outliers) و تاثیر آن‌ها بر ارزیابی
• 37. ارزیابی الگوریتم‌های تشخیص ناهنجاری در محیط‌های real-time
• 38. ابزارهای رایج برای محاسبه F1-Score و AUROC در پایتون
• 39. استفاده از کتابخانه scikit-learn برای ارزیابی
• 40. تفسیر نتایج ارزیابی و ارائه گزارش
• 41. چالش‌های ارزیابی در سیستم‌های تعبیه‌شده
• 42. تاثیر حجم داده بر ارزیابی
• 43. ارزیابی الگوریتم‌های تشخیص ناهنجاری با داده‌های محدود
• 44. ارزیابی الگوریتم‌های تشخیص ناهنجاری با داده‌های جریان‌یافته (Streaming Data)
• 45. معرفی معیار PR-AUC (Precision-Recall AUC) و مقایسه با AUROC
• 46. کاربرد معیارهای ارزیابی در تشخیص ناهنجاری‌های امنیتی
• 47. ارزیابی سیستم‌های تشخیص ناهنجاری مبتنی بر یادگیری عمیق
• 48. ارزیابی سیستم‌های تشخیص ناهنجاری مبتنی بر یادگیری تقویتی
• 49. ارزیابی سیستم‌های تشخیص ناهنجاری مبتنی بر روش‌های آماری
• 50. بررسی موردی: ارزیابی تشخیص ناهنجاری در سیستم‌های ترمز ABS
• 51. بررسی موردی: ارزیابی تشخیص ناهنجاری در سیستم‌های مدیریت باتری (BMS)
• 52. بررسی موردی: ارزیابی تشخیص ناهنجاری در سیستم‌های پایش سلامت